NPC заговорили: Nvidia ACE против Inworld AI

На CES 2024 Nvidia показала демо Covert Protocol: игрок голосом задаёт вопросы персонажу-администратору отеля, и тот отвечает на лету, без сценарных веток. За звук, мимику и текст отвечал стек Nvidia ACE. Примерно в те же месяцы Inworld AI, стартап с финансированием больше 100 млн долларов от Lightspeed и других фондов, показывал свой движок для NPC в связке с Microsoft Xbox. Два подхода к одной задаче: сделать так, чтобы неписи перестали быть говорящими автоматами. Пока ни один AAA-проект не построил на этом основную механику, и причины у этого сугубо практические.

Что вообще пытаются починить

Классический NPC работает по дереву диалогов: несколько заранее написанных реплик, между которыми игрок переключается кнопками. Это дёшево, предсказуемо и переводится на другие языки штатными средствами. Минус один: игрок упирается в потолок за пять минут и понимает, что говорит с деревом.

Генеративный NPC заменяет дерево языковой моделью. Персонаж получает описание характера, знаний и ограничений, а дальше отвечает на произвольный ввод игрока — текстом или голосом. Nvidia ACE и Inworld AI решают одну задачу, но с разных сторон: Nvidia идёт от железа и рендеринга, Inworld — от игровой логики и персонажей.

Nvidia ACE: стек под свои видеокарты

ACE (Avatar Cloud Engine) — это не одна модель, а набор блоков. Riva отвечает за распознавание речи и синтез голоса, языковые модели (в том числе компактные Nemotron) — за текст ответа, Audio2Face — за анимацию губ и мимики под сгенерированную реплику. Ключевая идея Nvidia — часть этого можно гонять локально на GPU игрока, а не только в облаке, чтобы снизить задержку и стоимость.

Плюс подхода: тесная привязка к железу Nvidia даёт низкую задержку и качественную лицевую анимацию из коробки. Минус — та же привязка. Разработчик оптимизирует под конкретную экосистему, а игроки на слабых или не-Nvidia конфигурациях получают либо облачный вариант, либо ничего.

Inworld AI: персонаж как продукт

Inworld заходит с уровня геймдизайна. Их студия — это редактор, где вы описываете персонажа: биографию, цели, характер, что он знает и о чём молчит, как реагирует на грубость. Движок сам подмешивает память о прошлых разговорах, эмоции и триггеры, которые могут менять состояние игры (например, NPC обиделся и перестал давать квест).

Inworld аппаратно-нейтрален и работает поверх облака, с интеграциями в Unreal Engine и Unity. Это удобнее для студии, которая не хочет завязываться на один бренд GPU, но означает постоянную зависимость от сети и оплату за каждый вызов модели.

Главный вопрос генеративных NPC не «умеет ли он говорить», а «что он говорит, когда никто не проверяет». Один непредсказуемый ответ на весь мир — и это уже не фича, а скандал.

Сравнение по существу

Точные тарифы обоих продуктов меняются и зависят от объёма — актуальные цифры смотрите на сайтах Nvidia Developer и Inworld, а не в обзорах полугодовой давности.

Почему это ещё не в каждой игре

Технически демо работают. Проблемы начинаются на этапе, когда персонаж должен жить в реальной игре месяцами.

• Контроль над словами. Языковая модель может выдать ответ вне характера, вне лора или откровенно неуместный. Для сюжетной игры это ломает погружение, для игры с детской аудиторией — юридический риск.
• Стоимость на масштабе. Один разговор в демо стоит копейки. Миллионы игроков, каждый треплется с каждым встречным NPC — и облачные счета растут непредсказуемо.
• Задержка. Игрок ждёт ответа в диалоге секунду-две максимум. Цепочка «речь в текст — модель — синтез голоса — анимация» должна укладываться в этот бюджет, иначе разговор ощущается как лаг.
• Локализация. Заскриптованный диалог переводит команда с контролем качества. Что модель сгенерит на турецком или японском в реальном времени — предсказать сложнее.
• Озвучка и профсоюзы. Синтез голоса поверх записей актёров упирается в права на голос — тема, из-за которой в игровой индустрии США уже были забастовки.

Как выбирать под проект

Если упрощать до практики, логика примерно такая:

1. Нужна максимальная реалистичность лица и вы готовы оптимизировать под Nvidia — смотрите в сторону ACE, особенно если часть нагрузки можно унести на GPU игрока.
2. Нужны сложные персонажи с памятью и эмоциями, а платформа разнородная (консоли, слабые ПК, мобилки) — Inworld ближе по духу.
3. Нужны оба уровня — их не обязательно противопоставлять: логику персонажа можно строить на одном инструменте, а мимику и голос отдавать другому. Стеки не взаимоисключающие.

Пока реалистичный сценарий — не тотальная замена диалогов, а точечные «живые» NPC: собеседник в баре, свидетель, которого допрашиваешь, спутник, который комментирует происходящее. То есть места, где непредсказуемость персонажа — это плюс, а не баг сценария.

Оба продукта развиваются, интегрируются в популярные движки и явно нацелены не на демо, а на прод. Но пока ни один крупный релиз не сделал генеративных NPC своей осью, а не украшением. Первый успешный AAA-проект на этой технологии и станет настоящим тестом: выдержит ли она контакт с миллионами игроков, которые обязательно попробуют её сломать.